如果制造公司能够在缺陷发生时就准确找出原因,从而避免代价高昂的生产延误并确保一流的质量,那会怎样?生成式人工智能(GenAI)彻底改变了制造商的质量控制和缺陷监控方式,使之成为可能。
通过GenAI,制造企业就可以进行持续的缺陷监控和根本原因分析(RCA),从而进行实时质量控制,确保更高效、更可靠的生产运营。
您可能已经遇到过多个使用AI驱动的视觉系统进行缺陷检测和质量控制的案例研究。要弄清基于AI和GenAI 的视觉检测在此类应用中的区别,必须认识到一些关键的不同之处。
区分基于AI与GenAI的视觉缺陷检测
AI视觉擅长处理视觉数据并识别显示缺陷的模式,而GenAI 则通过其学习能力、上下文理解能力和自然语言处理能力为流程带来更高水平的智能。
以下是这两个过程的工作原理:
基于AI的视觉缺陷检测,将传统的图像处理技术和机器学习相结合,以检查图像和视频,并检测生产过程中的异常或缺陷。AI视觉的优势包括速度、消除人为错误和可扩展性。限制包括对新缺陷类型的适应性差,以及可能受照明和环境因素影响的性能。它也可能难以识别细微的缺陷。
基于GenAI的视觉缺陷检测,可分析来自智能相机、物联网(IoT)设备和其他来源的数据流。然后,它会智能地过滤和优先处理信息,以减少噪声,发现与学习模式的偏差,并提高缺陷检测效率。GenAI可以从历史数据、实时反馈和不断变化的条件中学习,以识别新出现的缺陷模式。它还识别关系和潜在因素,以获得更有洞察力的RCA。
GenAI 和AI 视觉之间存在三个关键区别。首先,GenAI模型从新数据中学习并调整其行为。其次,GenAI会查看产品类型、制造工艺和其他因素,以更好地了解缺陷的背景。最后,GenAI处理和理解自然语言查询,鼓励与系统进行更直观的交互。
GenAI对质量控制和缺陷监控的影响
在GenAI的帮助下,制造商可以在很短的时间内识别大量数据中的模式和相关性。例如,GenAI可以持续监控钢铁制造中的生产线,以检测和分析热轧钢带中的缺陷。然后,它会确定问题的根本原因并推荐预防措施以避免将来出现问题。通过将GenAI集成到制造流程中,公司可以节省时间并让员工腾出时间来处理其他重要任务。
麦肯锡公司预计,GenAI的引入将预示着一个高效运营的新时代。仅在制造和供应链领域,它就能减少高达 5 万亿美元的开支。这些节省的费用大部分将来自在RCA中使用GenAI,从而更好地识别制造业中的各种缺陷,包括金属板的表面缺陷、发动机的不一致性、重型机械的问题以及汽车零部件的缺陷。
越来越多的企业意识到在质量控制和缺陷监控中采用GenAI的好处。例如,当宝马公司的电池组装配过程中出现微小的对齐问题,导致代价高昂的缺陷和装配线中断时,该公司创建了装配线的数字孪生系统,并将GenAI集成到RCA中。
在这一设置中,数字孪生从每个组件收集数据,包括机械臂、传送带和对齐传感器。然后,当发生不对齐时,AI会分析前面的每一步,识别出指向设备校准或环境变化等根本原因的模式。通过在数字孪生中运行模拟,工程师可以在不中断生产线的情况下测试调整。这种方法将校准相关问题减少了30%,提高了生产线效率。
GenAI 集成和训练数据
对于考虑实施基于GenAI 的缺陷分析的制造商来说,克服经常出现的两个常见挑战至关重要:保证多样化和高质量训练数据的可用性,以及确保系统对不断发展的生产流程的适应性。
应对这些挑战的关键是在开发强大的训练数据集时与AI专家合作,并在GenAI 系统中实施持续学习机制,以更好地适应生产流程的变化。一旦制造公司解决了潜在的挑战,他们就可以使用以下5个步骤将GenAI 集成到其现有的质量保证流程中:
步骤 1:对现有的质量保证流程进行全面评估。
步骤 2:确定GenAI可以增加真正价值的领域。
步骤 3:创建GenAI系统并使用相关的最新数据集对其进行训练。
步骤 4:将GenAI集成到现有的生产和质量控制系统中。
步骤 5:为操作人员和质量保证人员提供培训。
制造商可以通过采取以下额外步骤来确保GenAI的持续准确性、可靠性和伦理合规:
- 使用新数据不断更新和训练GenAI 系统。
- 实施强大的验证和测试程序。
- 遵守AI使用的道德准则和标准。例如,公司可以建立一个专门的团队,以随时了解行业道德准则,并确保制造商的AI系统继续满足这些准则。
在通过基于GenAI 的RCA衡量实时质量控制的成功时,制造公司可以利用各种关键绩效指标,包括缺陷检测率、减少生产停机时间、通过减少浪费和返工来节省成本,以及提高产品质量和客户满意度。例如,机器零件制造商可能会通过跟踪每百万缺陷件数 (PPM) 的减少作为关键指标来获取信息以做出更好的业务决策。